双反馈保形推断让时间序列预测区间更窄更稳，覆盖率依然达标！
Dynamic Dual-Feedback Conformal Inference for Time Series Forecasting
📖 AI 总结
该论文针对时间序列预测中不确定性量化这一难题展开研究。由于序列数据存在时间依赖且易受分布变化影响，传统共形推断方法面临挑战。现有的在线共形方法虽能通过反馈机制自适应调整预测阈值，但其反馈信号仅依赖真实标签是否落入区间的误覆盖率指标，忽略了由理想共形方法导出的经验预测阈值这一估计反馈信息。为此，作者提出动态双反馈共形推断（DDCI），构建由实际反馈与估计反馈组成的双重机制：前者依据真实观测驱动区间的主要调整，后者利用共形推断中的经验阈值抑制更新过程中区间的过度扩张或收缩。通过平衡两类信号，DDCI在序列场景下实现了更稳定、更窄的预测区间，同时在实际中保持接近名义水平的覆盖率。该工作被NeurIPS 2026接收，为时间序列不确定性量化提供了一种兼顾覆盖率与区间效率的新思路。
🔑 关键词速览
| Conformal Inference | 一种通过构建预测集来量化不确定性的统计方法，具有有限样本覆盖保证。 |
| Dynamic Dual-Feedback Conformal Inference (DDCI) | 本文提出的方法，结合实际反馈和估计反馈两种信号动态调整预测区间。 |
| Miscoverage Indicator | 表示真实标签是否落在预测区间外的二元指标，用于在线调整阈值。 |
| Empirical Prediction Threshold | 从预言机保形方法中导出的经验阈值，用于抑制区间的过度调整。 |
| Near-Nominal Coverage | 预测区间的实际覆盖率接近预设的名义水平（如90%或95%）。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅